BZOJ 1901 Dynamic Rankings (整体二分+树状数组)

题目大意:略

洛谷传送门 这道题在洛谷上数据比较强

貌似这个题比较常见的写法是树状数组套主席树,动态修改

我写的是整体二分

一开始的序列全都视为插入

对于修改操作,把它拆分成插入和删除两个操作

像$CDQ$分治一样,用结构体记录操作的位置,修改的权值等

假设为需要处理的询问分配了一个答案$mid$

查询区间第$K$小,我们只需要查询区间内权值为$[l,mid]$的数有几个

每次插入/删除,都看这次操作修改的权值是否$\in[l,mid]$

如果是,说明这个它对答案有贡献,在它在原序列的位置上$+1$,那么某个区间权值为$[l,mid]$的数就是查询前缀和,用树状数组维护

反之都是没贡献的

如果超过了$K$个,说明第$K$小的数小于等于$mid$,把它扔到左区间递归

如果小于$K$个,说明第$K$小的数一定大于$mid$,$K-=mid$,把它扔到右区间递归 

插入删除操作也要按权值分左右区间递归

注意不要破坏时间序!

 1 #include <vector>
 2 #include <cstdio>
 3 #include <cstring>
 4 #include <algorithm>
 5 #define N1 105000
 6 #define M1 205000
 7 #define ll long long
 8 #define dd double
 9 #define inf 233333333
10 using namespace std;
11 
12 int gint()
13 {
14     int ret=0,fh=1;char c=getchar();
15     while(c<'0'||c>'9'){if(c=='-')fh=-1;c=getchar();}
16     while(c>='0'&&c<='9'){ret=ret*10+c-'0';c=getchar();}
17     return ret*fh;
18 }
19 int n,m,nn;
20 struct BIT{
21 int sum[N1];
22 void update(int x,int w){ for(int i=x;i<=n;i+=(i&(-i))) sum[i]+=w; }
23 int query(int x){ int ans=0; for(int i=x;i;i-=(i&(-i))) ans+=sum[i]; return ans;}
24 void clr(int x){ for(int i=x;i<=n;i+=(i&(-i))) sum[i]=0; }
25 }s;
26 struct node{int i,j,k,t,id;}a[N1+M1],tmp[N1+M1];
27 int w[M1],ma,que[N1+M1],tl,f[N1],c[N1],use[N1+M1];
28 
29 void alldic(int l,int r,int ql,int qr)
30 {
31     if(l>r||ql>qr) return;
32     int mid=(l+r)>>1,i,j,S=ql,E,sum;
33     for(i=ql;i<=qr;i++)
34     {
35         if(!a[i].k){ 
36             if(a[i].j<=mid){ s.update(a[i].i,1); que[++tl]=a[i].i; use[i]=1; }
37             if(a[i].j<mid) tmp[S++]=a[i]; 
38         }else if(a[i].k==-1){ 
39             if(a[i].j<=mid){ s.update(a[i].i,-1); que[++tl]=a[i].i; use[i]=1; }
40             if(a[i].j<mid) tmp[S++]=a[i]; 
41         }else{ 
42             sum=s.query(a[i].j)-s.query(a[i].i-1);
43             if(sum<a[i].k){ a[i].k-=sum; }
44             else{ f[a[i].t]=w[mid]; tmp[S++]=a[i]; use[i]=1; }
45         }
46     }
47     for(i=ql,E=S;i<=qr;i++)
48     { 
49         if(use[i]) use[i]=0; 
50         else tmp[E++]=a[i];
51     }
52     while(tl){ s.clr(que[tl--]); }
53     for(i=ql;i<=qr;i++) a[i]=tmp[i];
54     alldic(l,mid-1,ql,S-1); alldic(mid+1,r,S,E-1);
55 }
56 char str[10];
57 
58 int main()
59 { 
60     scanf("%d%d",&n,&m);
61     int i,j;
62     for(i=1;i<=n;i++){ nn++; a[nn].j=gint(); a[nn].i=i; w[++ma]=a[nn].j; c[i]=a[i].j; }
63     for(i=1;i<=m;i++)
64     { 
65         scanf("%s",str);
66         if(str[0]=='Q'){
67             nn++; a[nn].i=gint(); a[nn].j=gint(); a[nn].k=gint(); a[nn].t=i;
68         }else{
69             nn++; a[nn].k=-1; a[nn].i=gint(); a[nn].j=c[a[nn].i]; 
70             nn++; a[nn].k=0; a[nn].i=a[nn-1].i; a[nn].j=gint(); 
71             c[a[nn].i]=a[nn].j; w[++ma]=a[nn].j; 
72         }   
73         f[i]=-1;
74     }
75     sort(w+1,w+ma+1); ma=unique(w+1,w+ma+1)-(w+1);
76     for(i=1;i<=nn;i++) if(a[i].k<=0) a[i].j=lower_bound(w+1,w+ma+1,a[i].j)-w;
77     alldic(1,ma,1,nn);
78     for(i=1;i<=m;i++) if(f[i]>=0) printf("%d\n",f[i]);
79     return 0;
80 }

 

转载于:https://www.cnblogs.com/guapisolo/p/10219007.html

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值